查看原文
其他

NDVI时间序列分析之Sen+MK分析全过程梳理

走天涯徐小洋 走天涯徐小洋地理数据科学 2022-05-17

NDVI时间序列分析之Sen+MK分析全过程梳理

订正:结合论文和R语言帮助,确定sen's slope的代码原理是median,不是均值,前面老版本的推文有谬误,特此更正!

Sen斜率估计用于计算趋势值,通常与MK非参数检验结合使用,即先计算Sen趋势值,然后使用MK方法判断趋势显著性。

原理

Theil-Sen Median方法又被称为Sen斜率估计,是一种稳健的非参数统计的趋势计算方法。该方法计算效率高,对于测量误差和离群数据不敏感,常被用于长时间序列数据的趋势分析中。

式中: 为时间序列数据。β大于0表示时间序列呈现上升趋势;β小于0表示时间序列呈现下降趋势。

Mann-Kendall属于非参数检验方法,与其他参数检验的方法相比,不需要样本遵从一定的分布,受异常值干扰小,更适合顺序变量。Mann-Kendall检验已经在水文、气象趋势变化相关研究中得到了大量的成功应用,用于判断径流、降水、气候等的变化趋势的显著性。

R语言Sen+MK计算

R语言使用Raster包进行栅格计算,利用trend包sen.slope函数进行sen+mk的计算。对于下面代码的阅读,一定要看代码帮助!代码如下:

library(sp)
library(raster)
library(rgdal)
library(trend)
library(terra)
#输入一个文件夹内的单波段TIFF数据,在这里是历年的NDVI年最大值
flnames <- list.files(path = './yearmax/', pattern = '.tif$')
fl <- paste0("./yearmax/", flnames)
firs <- raster(fl[1])
for (i in 2:34) {
  r <- raster(fl[i])
  firs <- stack(firs, r)
}

fun <- function(y){
  if(length(na.omit(y)) <34) return(c(NA, NA, NA))   #删除数据不连续含有NA的像元
  MK_estimate <- sens.slope(ts(na.omit(y), start = 1982, end = 2015, frequency = 1), conf.level = 0.95) #Sen斜率估计
  slope <- MK_estimate$estimate
  MK_test <- MK_estimate$p.value
  Zs <- MK_estimate$statistic
  return(c(Zs, slope, MK_test))
}

e <- calc(firs, fun)   #栅格计算
e_Zs <- subset(e,1)  #提取Z统计量
e_slope <- subset(e,2)   #提取sen斜率
e_MKtest <- subset(e,3)   #提取p值

plot(e_Zs)
plot(e_slope)
plot(e_MKtest)

writeRaster(e_Zs, "./Sen+MK/e_Zs.tif", format="GTiff", overwrite=T)
writeRaster(e_slope, "./Sen+MK/e_slope.tif", format="GTiff", overwrite=T)
writeRaster(e_MKtest, "./Sen+MK/e_MKtest.tif", format="GTiff", overwrite=T)

如果还没明白,下面二维码推荐一个培训班,有专门的R语言老师带着学习:

NDVI趋势制图

前面R语言计算完slope和Z值后,根据这两个结果就可以进行NDVI趋势制图了。

变化趋势划分

结合和Z统计量划分NDVI变化趋势:

  • slope
    • -0.0005~0.0005稳定区域
    • 大于或等于0.0005植被改善区域
    • 小于-0.0005为植被退化区域
  • Z统计量

    Slope划分

    • 置信水平0.05
    • Z绝对值大于1.96显著
    • Z绝对值小于等于1.96不显著
  • Slope被划分为三级:
    • 植被退化
    • 植被生长稳定
    • 植被改善
  • 使用重分类(Reclassify)对slope进行划分
    • 由于slope.tif文件研究区范围外的值非空,所以在这里先裁剪了一下
    • 裁剪所用矢量和栅格数据坐标系需要一致,否则范围容易出错
    • 统一使用了WGS84地理坐标系作为空间参考
    • 使用Model builder构建地理处理流
Slope划分过程
  • 重分类结果:
    • -1退化
    • 0稳定
    • 1改善

Z值划分

  • 对Z值进行重分类,确定显著性
    • 未通过95%置信度检验,不显著
    • 通过95%置信度检验,显著
Z值重分类
  • 重分类结果:
    • 1不显著
    • 2显著

变化趋势计算

使用栅格计算器将Slope和Z值计算结果相乘,最后得到趋势变化划分

  • -2严重退化
  • -1轻微退化
  • 0稳定不变
  • 1轻微改善
  • 2明显改善
栅格计算器相乘

对计算完成后的栅格属性表里面不同种类的像元数进行统计,如此即可获得下面的NDVI变化趋势统计图表。

参考文献

  1. 袁丽华, 蒋卫国, 申文明, 等. 2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798–7806.
  2. NDVI时间序列分析原理与实现(CV和Sen+MK趋势分析)
  3. 【文献阅读笔记】Sen+MK NDVI趋势分析的一些问题
  4. 基于Sen+MK的NDVI变化趋势统计分析
  5. 【文献阅读笔记】黄河流域植被变化时空分析
  6. https://www.rdocumentation.org/packages/trend/versions/1.1.1/topics/sens.slope


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存